دانشگاه صنعتی امیرکبیر نشریه مهندسی عمران امیرکبیر 2588-297X 58 1 2026 03 21 Optimal Parameter Prediction in Tuned Liquid Mass Dampers Using Machine Learning Classification Models پیش‌بینی پارامترهای بهینه میراگر جرمی مایع تنظیم‌شونده با استفاده از مدل‌های دسته‌بندی یادگیری ماشین 6024 10.22060/ceej.2026.24783.8348 FA حسین غفارزاده گروه سازه، دانشکده عمران و محیط‌زیست، دانشگاه تبریز، تبریز، ایران علیرضا آران گروه سازه، دانشکده عمران و محیط‌زیست، دانشگاه تبریز، تبریز، ایران علیرضا بینوایان گروه سازه، دانشکده عمران و محیط‌زیست، دانشگاه امیرکبیر، تهران، ایران Journal Article 2025 09 21 This study proposes an integrated framework that combines dynamic modeling, numerical optimization, and machine learning classification to predict the optimal design parameters of Tuned Liquid Mass Dampers (TLMDs). Two primary outputs—the optimal frequency ratio and optimal damping ratio—were analyzed using six classification models: Logistic Regression, Decision Tree, Random Forest, K Nearest Neighbors (KNN), Support Vector Machine (SVM), and Naive Bayes. Two structural configurations were examined: a single-story and a five-story shear building, each equipped with rooftop TLMDs mounted on elastomeric pads. Dynamic responses were obtained for six earthquake records using time history analysis, with liquid motion modeled by the Housner model. Optimal elastomeric pad parameters for various tank configurations were determined via the Pattern Search algorithm. The results revealed that for the optimal frequency ratio in the single-story structure, KNN and Random Forest achieved the highest F1 score (~0.73), whereas in the five-story building, prediction accuracy declined and Naive Bayes performed best (~0.68). Regarding the optimal damping ratio, Naive Bayes excelled in both structures, particularly in the five-story model. Confusion matrix analysis indicated that most errors occurred in the intermediate class, primarily due to feature overlap. By significantly reducing computational time and eliminating the need for exhaustive numerical simulations, the proposed data-driven methodology supports reliable decision-making in both preliminary and detailed stages of TLMD design. Moreover, the framework is extendable to other passive vibration control devices and more complex structural systems, advancing the concept of intelligent, efficient, and precise design tools in structural engineering. در این پژوهش، یک چارچوب یکپارچه مبتنی بر مدل‌سازی دینامیکی، بهینه‌سازی عددی و یادگیری ماشین برای پیش‌بینی پارامترهای بهینه میراگر جرمی مایع تنظیم‌شونده (Tuned Liquid Mass Damper – TLMD) ارائه می‌شود. دو پارامتر کلیدی طراحی شامل نسبت فرکانسی بهینه و نسبت میرایی بهینه، با استفاده از شش الگوریتم یادگیری ماشین شامل رگرسیون لجستیک (Logistic Regression)، درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest)، الگوریتم k نزدیک‌ترین همسایه (k-Nearest Neighbors)، ماشین بردار پشتیبان (Support Vector Machine) و بیز ساده (Naive Bayes) مورد بررسی قرار گرفته‌اند. این مطالعه برای دو سازه برشی یک‌طبقه و پنج‌طبقه مجهز به TLMD نصب‌شده بر روی بالشتک‌های الاستومری انجام شده است. پاسخ دینامیکی سازه‌ها تحت اثر شش رکورد زلزله با استفاده از تحلیل تاریخچه زمانی شبیه‌سازی شده و رفتار نوسانی مایع درون مخزن بر اساس مدل هازنر مدل‌سازی گردیده است. پارامترهای بهینه سیستم با استفاده از الگوریتم جستجوی الگو (Pattern Search) استخراج شده و پس از تقسیم‌بندی داده‌ها به سه کلاس عملکردی، به‌عنوان ورودی مدل‌های یادگیری ماشین به کار رفته‌اند. نتایج نشان می‌دهد که در پیش‌بینی نسبت فرکانسی بهینه، الگوریتم‌های k نزدیک‌ترین همسایه و جنگل تصادفی برای سازه یک‌طبقه بهترین عملکرد را با F1-score حدود 73 % ارائه می‌دهند، در حالی که در سازه پنج‌طبقه، به‌دلیل افزایش پیچیدگی رفتاری، الگوریتم بیز ساده با F1-score حدود 68 % عملکرد مناسب‌تری دارد. همچنین، بیز ساده در پیش‌بینی نسبت میرایی بهینه برای هر دو سازه عملکردی پایدار نشان داده و در سازه پنج‌طبقه دقتی در حدود 84 % به‌دست آمده است که کارایی چارچوب پیشنهادی را تأیید می‌کند. https://ceej.aut.ac.ir/article_6024_3bd8fdb090f1f5eb66a00c84dbc5ad51.pdf